CN118154061B 物理融合贝叶斯的管道泄漏评价方法、装置、设备及介质 （中国石油大学(北京)）

物理融合贝叶斯的管道泄漏评价方法、装本申请公开了一种物理融合贝叶斯的管道于物理信息的神经网络对映射后的贝叶斯网络用动态贝叶斯网络模型对输送管道进行概率计2构建输送管道的泄漏事故树模型和泄漏后果事件树模型将所述蝴蝶结模型与贝叶斯网络模型结合，并进行同步映射，以得到映其中，所述利用基于物理信息的神经网络对映射后的所述所述利用基于物理信息的神经网络对映射后的所述贝叶斯网络模型进行训练，包括：述后验概率并利用基于物理信息的神经网络对映射后的所述贝叶斯将所述蝴蝶结模型中的各事件、事故后果以及安全屏障转化为所述贝将所述蝴蝶结模型中的逻辑关系转化为所述贝叶斯节点的条件概率表，并进行赋值，述根节点在发生条件下对应的所述叶节点的发生概率之和，P(Xi)为所述根节点的所述先3i5.根据权利要求1至4任一项所述的物理融合贝叶斯的管道泄漏评价方法，其特征在若所述输送管道存在泄漏情况，则确定管道泄漏风险模型构建模块，用于构建输送管道的泄漏事故树模型和泄漏后果事件述泄漏事故树模型和所述泄漏后果事件树模型生成蝴模型结合及映射模块，用于将所述蝴蝶结模型与贝叶斯网络模型结合模型训练模块，用于利用基于物理信息的神经网络对映射后的所述贝管道泄漏评价模块，用于利用所述动态贝叶斯网络模型对所述输送管道进行概率计其中，所述利用基于物理信息的神经网络对映射后的所述所述利用基于物理信息的神经网络对映射后的所述贝叶斯网络模型进行训练，包括：述后验概率并利用基于物理信息的神经网络对映射后的所述贝叶斯处理器，用于执行所述计算机程序，以实现如权利要求1至5任一项所述的序被处理器执行时实现如权利要求1至5任一项所述的物理融合贝叶斯的管道泄漏评价方45的所述根节点在发生条件下对应的所述叶节点的发生概率之和，P(Xi)为所述根节点的所6[0049]图7为本申请公开的一种易挥发易燃液体长距离输送管道的泄漏事故树模型示例[0050]图8为本申请公开的一种易挥发易燃液体长距离输送管道的泄漏事件树模型示例7事故树模型和所述泄漏后果事件树模型生成[0059]本发明中用到的BowTie(蝴蝶结分析法)是基于“三角模型”(TripodBeta事故发生的措施之间的关系。贝叶斯网络又称信念网络，或有向无环图模型(directed或命题用箭头来连接(即连接两个节点的箭头代表此8[0060]步骤S13：利用基于物理信息的神经网络对映射后的所述贝叶斯网络模型进行训打分的结果作为根节点先验概率(图2中所有基[0062]具体的训练流程如下：计算映射后的所述贝叶斯网络模型的的所述根节点在发生条件下对应的所述叶节点的发生概率之和，P(Xi)为所述根节点的所[0070]根据发生概率计算公式以及根节点先验概率可以求出贝叶斯网络中所有叶节点9[0071]如果仅使用权重和偏差对输入数据进行处理，那么输出；函数和模型参数值。后续将不同的时间输入训练好的模型中输出不同时间下的先验概率，[0115](3)疲劳断裂。金属材料在应力或应变的反复作用下会引起局部结构变化和内部[0119]易挥发易燃液体长距离输送管道泄漏事件树模型如图8所示，易挥发易燃液体长[0122]步骤S24：利用基于物理信息的神经网络对映射后的所述贝叶斯网络模型进行训液体长距离输送管道泄漏风险评价更加高效准确；(2)将基于物理信息的神经网络(PINN)与贝叶斯网络(BN)结合形成动态的贝叶斯网络(DBN)，可以支持贝叶斯网络在不同时间节管道泄漏的预测和泄漏风险因素的准确识别。[0129]模型构建模块11，用于构建输送管道的泄漏事故树模型[0141]先验概率计算模块，用于计算映射后的所述贝叶斯网络模型的根节点的先验概的所述根节点在发生条件下对应的所述叶节点的发生概率之和，P(Xi)为所述根节点的所述均方根误差损失函数和所述物理部分损失函数计后验概率并利用基于物理信息的神经网络对映射后取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，[0159]其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的物他特定工作的计算机程序。数据223除了可以包括物理融合贝叶斯的管道泄漏评价设备接存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐